PROBABILIDADES

Experimentos Aleatorios

Espacio Muestral,Eventos y Sucesos

Tipos de Experimentos Aleatorios

Probabilidad Relaciones entre Eventos

Enfoques de Probabilidad/Teoremas
Básicos de Probabilidad

Eventos Dependientes/Independientes

Probabilidad Total/Teorema de Bayes

 PROBABILIDADES
• Se conocen su resultados
Determinísticos antes de realizarlo
• No son de interés para la
Estadística

Experimentos • Sus resultados se conocen

una vez que el experimento ha
concluido
No Determinísticos • Se pueden describir los
posibles resultados sin poder
decir, cuál de ellos va a
ocurrir
 PROBABILIDADES

Sus resultados se conocen con

Determinísticos anticipación sin necesidad de
realizar el experimento

Experimentos
Sus resultados se conocen una
vez que el experimento ha
finalizado
No Determinísticos
Se pueden describir los
Es un proceso planificado a
posibles resultados pero no se
través del cual se obtiene
puede decir cuál de ellos
una observación (o una
ocurrirá
medición) de un fenómeno

Son experimentos no Experimentos Aleatorios

determinísticos cuyos resultados
están regidos por el azar
 PROBABILIDADES

Supóngase que se lanzan dos monedas legales al mismo

tiempo y que a una cara de cada moneda se la llama
“Cara” a la otra “Sol” entonces:

={CC, CS, SC, SS}

Experimentos
Supóngase ahora que se lanza un
Aleatorios
dado legal. Entonces:

={1, 2, 3, 4, 5, 6,}

Son aquellos experimentos no determinísticos

cuyos resultados están regidos por la
casualidad (azar)
 PROBABILIDADES
Retomando el caso del lanzamiento de las dos
monedas, ¿hay otro posible resultado en este
experimento?.

O bien en el caso del lanzamiento

del dado Espacio Muestral

M = {CC, CS, SC, SS}

Son todos los resultados
M = {1, 2, 3, 4, 5, 6,} que están asociados a un
experimento aleatorio

Supóngase que el lanzamiento del Es subconjunto del espacio

dado se está interesado en la muestral, es decir, sus
ocurrencia de una cara impar resultados pertenecen al
A = {1,3,5} Evento espacio muestral
 PROBABILIDADES

Espacio Muestral

M
2
A Evento
1

3 5
Suceso (wi)

Letras
4 6 Mayúsculas del
Alfabeto

A= (wiεA /wi ε M
 PROBABILIDADES
Tipos de Experimentos Aleatorios
Simples Un solo experimento aleatorio

Experimentos
Cuando ocurren dos o más
Aleatorios experimentos simples al mismo
tiempo o bien uno después del
otro
Compuestos

Unidos por la Unidos por la

partícula “ó” (v) partícula “y” ( ∧ )

Los experimentos simples que Los experimentos simples que

lo componen ocurren de lo componen ocurren al mismo
forma sucesiva tiempo

M = {M1UM2U…Mi} M = {M1∩M2…Mi}
 PROBABILIDADES

Simples Un solo experimento aleatorio

Experimentos M = {1, 2, 3, 4, 5, 6,}

Aleatorios
Cuando ocurren dos o más
experimentos simples al mismo
Compuestos
tiempo o bien uno después del
otro

M = {CC, CS, SC, SS}

 PROBABILIDADES
Experimentos compuestos El espacio muestral es el
unidos por la partícula “y” producto cartesiano de los
espacios muestrales simples
que lo conforman

M3
M2 M1*M2 C S
M1 C S
CC CCC CCS
C CC CS
CS CSC CSS
S SC SS
SC SCC SCS

SS SSC SSS
 PROBABILIDADES
3era Moneda
Experimentos compuestos
C CCC unidos por la partícula “y”
2da Moneda

C S CCS Diagrama del Árbol

1ra Moneda
CSC Diagrama de Senderos
C
C S
S
CSS
C C
M SCC
S
S SCS

C SSC
S

S SSS
 PROBABILIDADES

De acuerdo a cómo ocurren los eventos se pueden establecer

algunas relaciones entre ellos tales como:

A B M A B M

AUB AUB

A B M
M
A´
A

AΠB
 PROBABILIDADES
Probabilidad A priori. Llamada
Clásico También Probabilidad de
Laplace

Enfoques de
Subjetivo
Probabilidades

Frecuencia
Probabilidad A posteriore
Relativa
 PROBABILIDADES
Enfoques de Probabilidad
Todos los sucesos de un
Supuesto experimento aleatorio tienen
la misma posibilidad de
ocurrir, entonces:
Probabilidad
Subjetivo na
Clásica P[ A] =
M

0 ≤ P[ A] ≤1
Frecuencia
Probabilidad A posteriore
Relativa

Si en la realización de
n experimento aleatorio aparece
P[ A] = un evento A “n veces ≤
N
N”,entonces:
 PROBABILIDADES
Principales Teoremas de Probabilidad
P[AUB] = P [A] + P [B]

P[AUB] = P [A] + P [B] – P[AΠB]

Teoremas Básicos de P[Ø] = 0

Probabilidades
P[M] = 1

[ ]
P Ac = 1 − P[ A]

0 ≤ P [ A] ≤ 1 / 0 ≤ P [ A] ≤ 100%
 PROBABILIDADES
Eventos Dependientes
Cuando la ocurrencia de un evento está en dependencia de otro
evento, se dice que éste es dependiente.

Sea A y B dos eventos en el espacio muestral “M”, se dice que A

es un evento dependiente de B sí;

B
[ ]
P [ A] = P A ; P[ B ] ≠ 0 o bien: [ ]
P [ B ] = P B ; P[ A] ≠ 0
A

[ B] = P[PA[∩B]B] = P[ A]; P[ B] ≠ 0
PA [ A] = P[PB[∩A] A] = P[ B]; P[ A] ≠ 0
PB

Estas probabilidades se pueden calcular de dos formas:

• Respecto al espacio muestral original
• Respecto al espacio muestral del evento condicionante
 PROBABILIDADES

En una institución de Educación Superior se tiene 300 docentes,

de los cuales 100 son casados y 30 divorciados. En dicha
institución hay 200 hombres, 85 de los cuales son casados y 95
son solteros. Determinar cual es la probabilidad de seleccionar un
docente al azar:
a. Que sea mujer
b. Que sea soltero (a)
c. Que sea un hombre y esté casado (a)
d. Que sea una mujer divorciada
e. Dado que el docente es casado (a), ¿cuál es la probabilidad
que sea hombre?
f. Si el docente seleccionado es hombre, ¿cuál es la probabilidad
que sea casado?
 PROBABILIDADES

En una universidad el 70% de los estudiantes son de Ciencias,

30% de Letras. De los estudiantes de Ciencias el 60% son
varones y los de Letras son varones el 40%. Si se elige al azar
un estudiante, calcule la probabilidad que:
a. Sea mujer
b. Se estudiante varón dado si es de Ciencias
c. Sea estudiante de Ciencias dado que es varón
d. Sea estudiante de Ciencias y varón.
 PROBABILIDADES
Eventos Independientes
Cuando la ocurrencia de un evento no está en dependencia de la
ocurrencia de otro evento, se dice que éstos son independientes.

Sea A y B dos eventos en el espacio muestral “M”, se dice que A

es un evento independiente de B sí se cumple con cualquiera de
las siguientes condiciones:

[ B] = P[PA[∩B]B] = P[ A]; P[ B] ≠ 0
PA

[ A] = P[PB[∩A] A] = P[ B]; P[ A] ≠ 0
PB

P[ A ∩ B ] = P[ A] * P[ B ]
 PROBABILIDADES
Probabilidad Total
Sea A1, A2, …, Ak, eventos que forman una partición del espacio
muestral M y sea B, un evento en M. Si las probabilidades P[A1],
P[A2], P[A3]…, P[Ak], si P[B/A1], P[B/A2], P[B/A3]…, P[B/Ak]
son probabilidades conocidas entonces:

P[ B ] = P[ A1] P[ B / A1] + P[ A2]P[ B / A2] + ...P[ Ak ]P[ B / Ak ]

P[ B ] = ∑i =1 P[ Ak ]P[ B / Ak ]
k
Probabilidad Total
 PROBABILIDADES
Teorema de Bayes
Sea A1, A2, …, Ak, eventos que forman una partición del espacio
muestral M y sea B, un evento en M. Si las probabilidades P[A1],
P[A2], P[A3]…, P[Ak], si P[B/A1], P[B/A2], P[B/A3]…, P[B/Ak].
Si B ya ha ocurrido y se está interesado en saber a cual de los
eventos que forman la partición muestral se ha debido su
ocurrencia, entonces se usa el denominado Teorema de Bayes

[
P Ak ] [
P[ Ak ] P B
Ak
]
B
= k
[
∑i =1 P[ Ak ] P B Ak ]
VARIABLE ALEATORIA
Suponga que el siguiente experimento consiste en
el lanzamiento de tres monedas al mismo tiempo y
suponga que se define la variable X como número
de soles en el experimento

M = {CCC, CCS, CSC, SCC, SSC, SCS, CSS, SSS}

0 1 2 3

X = Número de soles

¿Es X una variable? Sí

{ 0, 1, 2, 3}
 VARIABLE ALEATORIA
Variable Aleatoria es una función que asigna
valores reales a cada uno de los resultados de
un experimento aleatorio

Domino de X = Es el espacio muestral

Rango de X = Los Números Reales

Variables Aleatoria Discretas

Tipos de Variables Aleatoria

Variables Aleatoria Continuas

 VARIABLE ALEATORIA
Variables Aleatoria Discreta
X, p(x) Vx rango
X
Función de Distribución de
Probabilidades o Cuantía

Rango de X x1 x2 x3 … xk ∑

P[X = x] p(x1) p(x2) p(x3) … p(xk) 1

Condiciones de ∑p[X = x] = 1
la Función de
Distribución o p(xk) ≥ 0
Cuantía
 VARIABLE ALEATORIA
Variables Aleatoria Continua

No se puede establecer una correspondencia

entre el valor que toma la variable y una
probabilidad asociada al mismo ya que la
VAC, puede tomar cualquier valor dentro del
intervalo donde se define

Ecuación llamada Función de Densidad

Condiciones de
la Función de
Densidad
 VARIABLE ALEATORIA
Esperanza Matemática
Dom X = M
“M” son todos los
resultados posibles que
están asociados a un
experimento aleatorio
Todos los
Población valores que
puede tomar
una variable
aleatoria
Parámetros
Esperanza Matemática
ε(x) = µx
Varianza Var(x) = σ²x
 VARIABLE ALEATORIA

Discreta

Esperanza Es el promedio que toma la

Tipo de V.A
Matemática V.A en el rango donde se
define

Continua
 VARIABLE ALEATORIA

ε(x) = µ
Propiedades de la
Esperanza Matemática
ε(ax) = aε(x)
ε(ax + b) = ε(ax) + b
 VARIABLE ALEATORIA
Varianza
Discreta

Varianza Tipo de V.A

Continua
 VARIABLE ALEATORIA

Var(X)= σ²X
Propiedades de la Var(X) = σ²X ≥ 0
Varianza Var (aX)= a²Var(X)
Var(aX + b) = a²Var(X)
 MODELOS PROBABILISTICOS
Si el comportamiento de una V.A
puede ser simulado ya sea de
forma aproximada o total , se
dice que se tiene un modelo
probabilístico Modelos
Probabilístico
Discretos

Modelos
Tipo de V. A
Probabilístico

Modelos
Probabilístico
Continuos
MODELOS PROBABILISTICOS
DISCRETOS
Dn Uniforme Discreta
Dn Binomial Puntual
o Bernoulli
Dn Binomial
Modelos
Dn de Poisson
Probabilístico
Dn Multinomial
Discretos
Dn Hipergeométrica
Dn Hipergeométrica
Generalizada
Otras
MODELOS PROBABILISTICOS
DISCRETOS
Dn
Binomial Puntual o
Bernoulli

Dn Binomial

Dn de Poisson

Dn Hipergeométrica
MODELOS PROBABILISTICOS
CONTINUOS
Dn Uniforme Continua

a < b
X
MODELOS PROBABILISTICOS
CONTINUOS
Dn Normal

Si un experimento Binomial bien definido, se repite un

gran número de veces, el histograma de probabilidades
forma una curva en forma de campana llamada curva
Normal o Campana de Gauss
Simétrica
Promedio = Mediana = Moda
σ Es asintótica al eje de las X
Es mesocúrtica
Se le llama ley Normal de los
Errores. Errores pequeños
tienen una alta probabilidad de
ocurrencia, errores grandes
baja
MODELOS PROBABILISTICOS
CONTINUOS
Dn Normal Estándar o Dn “Z”

Debido a lo tedioso de la función de densidad de la

Dn Normal, en su lugar se utiliza otra Dn que permite
el uso de tablas previamente determinada evitando
así, el proceso de integración de la f(x) de la Dn
Normal. Esta Dn es llamada Dn Normal Estándar o
Dn “Z”

Si X~N(µ, σ²), entonces X se puede someter a un

proceso de estandarización dando origen a una
variable “Z” de la siguiente forma:
 MODELOS PROBABILISTICOS
CONTINUOS
Dn Normal Estándar o Dn “Z”

Uso de Tablas

Las Tablas de Dn Normal Estándar

permiten resolver dos tipos de
problemas:

Determinar el área bajo la curva una vez obtenido el valor estándar de X

Dada un área bajo la curva, determinar el valor “z” a que corresponde